بخشی از مقاله
چکیده
در این تحقیق مسئله طبقهبندی تصاویر با حد تفکیک مکانی بالا مورد بررسی قرار گرفته است. بدین منظور با کمک فیلتر ASF ، یک سیستم همسایگی سازگار برای هر پیکسل تعریف شد. سپس میانه مقادیر درجات خاکستری در هر همسایگی، به عنوان اطلاعات مکانی به هر پیکسل اختصاص داده شد و همراه با اطلاعات طیفی در باندهای مختلف، برای تعریف کرنل مورد استفاده قرار گرفت و طبقهبندی براساس روش SVM با کرنل طیفی-مکانی صورت پذیرفت. نتیجه تحقیق نشان داد برای تصویر استفاده شده، بخش مکانی کرنل تأثیر چندانی ندارد. حداکثر دقت به دست آمده برای ضرایب مختلف کرنلهای طیفی-مکانی و دادههای آموزشی مختلف، برابر 76/88 درصد بود.
-1 مقدمه
طبقهبندی تصاویر سنجش از دوری مناطق شهری به علت پیشرفتهای اخیر در فناوری سنجش از دور یک مسئله چالش برانگیز شده است. حد تفکیک مکانی برای بسیاری از ماهواره ها مانند آیکونوس و کوییک برد به میزان 5775 متر نیز رسیده است. برای مثال، برای یک مکان واحد یک تصویر پانکروماتیک با حد تفکیک مکانی 5775 متر و یک تصویر چند طیفی با حد تفکیک مکانی 3 متر در اختیار هستند. همچنین، مشکل آشکارسازی یا طبقه بندی مناطق شهری در تصاویر سنجش از دوری با حد تفکیک مکانی پایین مشکلی به مراتب بزرگتر برای تحلیل ساختارهای مناطق شهری شده است.
بنابراین بایستی برای مدیریت ویژگیهای پیچیده تصاویر با حد تفکیک مکانی بسیار بالا، کاربردهای زیادی در نظر گرفته شده و روشهای خاصی مطرح شوند.[1] برای مشکل حساس طبقهبندی پوشش زمینی، استفاده از اطلاعات طیفی به عنوان ورودی برای طبقهبندیکننده رایج است. اما این موضوع پردازش حجم بسیار زیادی از داده ها را با ابعاد بالا می طلبد. تعداد پیکسلهای آموزشی مورد نیاز برای یک تخمین قابل اعتماد با مربع ابعاد فضای ویژگی یک طبقهبندیکننده کوادراتیک در ارتباط است. این مشکلات بهویژه در طبقهبندی مناطق شهری تصاویر سنجش از دوری اهمیت بسیاری می یابد، چراکه در مناطق شهری استفاده از اطلاعات حوزه طیفی همراه با اطلاعات حوزه مکانی مورد نیاز است.[8]
یک مشکل بزرگ تعریف مدل آماری چند متغیره مناسب است که هم اطلاعات مکانی و هم اطلاعات طیفی را استخراج کند. در نتیجه روشهای آماری قدیمی برای مسئله ترکیب اطلاعات مکانی و طیفی مناسب نیستند. بنابراین روشهای متعددی برای تحلیل تصاویر سنجش از دوری با حد تفکیک مکانی بسیار بالا پیشنهاد شدهاند.[8] ماشین بردارهای پشتیبانٌ در طول چند سال گذشته به عنوان روشی جایگزین برای طبقهبندیکنندههای معمول آماری و عصبی در تصاویر با ابعاد بالا مورد بررسی قرار گرفته است. روشهای مختلفی برای دخیل کردن اطلاعات مکانی در طبقهبندیکننده SVM پیشنهاد شده است. یک مشکل رایج در روشهای که تا حال حاضر مطرح شدهاند، تعریف سیستم همسایگی است.[4]
فیلترهای مورفولوژیکی به جای تعریف یک همسایگی قطعی امکان تحلیل همسایگی هر پیکسل را بر مبنای ساختاری که به آن تعلق دارد را میدهند.[3] در این تحقیق استفاده از یک فیلتر مورفولوژیکی پیشرفته پیشنهاد شده است تا یک همسایگی سازگارٍ را بر مبنای تحلیل سطح بالای تصاویر تعریف نماید. ایده این کار آن است که همسایگی را در یک فضای ساختاری تعریف کند؛ یعنی پیکسلهایی را همسایه در نظر بگیرد که به یک ساختار یکسان تعلق دارند.
در این تحقیق روش مورد استفاده این است که یک سیستم همسایگی به نام همسایگی مورفولوژیکی با کمک فیلتر متوالی متغیرَ تشکیل شوداین فیلتر تمام ساختارهای تصویری را که شامل تعداد پیکسلهای کمتر از یک مقدار مشخص هستند حذف میکند و تمام ساختارهای همگن تصویری باقیمانده در دسته معلومی قرار میگیرند. سپس سیستم همسایگی یک پیکسل به عنوان مجموعهای از پیکسلها که به همان منطقه همگن تصویر فیلتر شده تعلق دارند، تعریف میگردد. با استفاده از طبقهبندیکننده SVM پیکسلها بر مبنای ویژگیهای طیفی و آماری منطقهای که به آن تعلق دارند طبقهبندی می شوند. این اطلاعات با استفاده از ترکیبی از کرنلها - یا مجموع وزندار کرنلها - در طول فرآیند طبقهبندی با یکدیگر تلفیق میگردند.[1]
-2 طرح مسئله
-2-1 معرفی
موفولوژی ریاضی عملگری در اختیار میگذارد که بوسیله آن میتوان ارتباط مکانی بین پیکسلهای تصویری را مورد تجزیه و تحلیل قرار داد. اپراتورهای مورفولوژیک توانایی خود را در پردازش تصاویر سنجش از دور به اثبات رساندهاند. دو نوع گسترده از اپراتورهای مورفولوژیک اپنینگُ و کلوزینگ ِ هستند. با داشتن یک المان ساختاری مشخص عملگر اپنینگ و کلوزینگ بیانی از اندازه و شکل اشیای موجود در سطح تصویر در اختیار میگذارد، به این معنا که عوارض کوچکتر از المان ساختاری حذف شده و مابقی آنها در تصویر میمانند. به منظور تعیین اندازه و شکل تمامی اشیای تصویری لازم است از المانهای ساختاری با بازهای از ابعاد متفاوت استفاده نمود.[5]
فیلترهای اپنینگ و کلوزینگ هندسی از این نظر مورد توجه قرار میگیرند که اشکال را حفظ میکنند. با این حال نمیتوانند آنالیز کاملی از مناطق شهری را در اختیار بگذارند، زیرا فقط روی اکسترممها عمل میکنند.[6] علاوه بر این ممکن است در بخشی از تصویر، برخی از ساختارها تیره تر یا روشنتر از همسایههای خود باشند، که این مسئله تنها تا حدی با استفاده از فیلتر متوالی متغیر - Alternative Sequential Filter - قابل حل است. در روش فیلتر متوالی متغیر، یک تصویر خروجی مثل B با فیلتر کردن تصویر اولیه A به صورت متوالی با اپنینگ و کلوزینگ و تعداد دور تکرارهای معلوم، با استفاده از المان ساختاری b ایجاد میشود.[1]
-2-2 فیلتر ASF
هدف در این تحقیق حذف تمامی ساختارهایی است که به قدری کوچکند که از نقطه نظر مفهوم مورفولوژیکی اهمیتی ندارند.[1] معیار انتخاب شده در این خصوص ASF است.
-2-3 تصاویر چند بانده
فیلتر ASF به علت فقدان رابطه ترتیبیّ نمیتواند مستقیما روی تصاویر سنجش از دوری چندطیفی یا فراطیفی اعمال شود. در این تحقیق، فیلتر مساحت روی اولین جزء اصلیْ محاسبه میگردد تا همسایگی هر پیکسل را محاسبه کند. سپس، پوشش همسایگی روی هر یک از باندهای تصویر اعمال میگردد.[7]
-2-4 استخراج ویژگیهای مکانی
هنگامی که همسایگی هر پیکسل به طور سازگار تعریف میشود، اطلاعات مکانی استخراج میگردد. با در نظر گرفتن اندازه همسایگی که به طور متوسط دارای ابعادی کوچک است، توصیف آمارههای مراتب بالا مورد اعتماد نخواهد بود. توصیفکنندههای شکل نیز مناسب نیستند، چرا که یک ساختار مشخص میتواند به چندین ناحیه یکنواخت تقسیم شده باشد. در نتیجه، بردار میانه مجموعه همسایگی برای هر پیکسل x محاسبه میگردد.[1]
